[論文レビュー] Conditionally Invariant Representation Learning for Disentangling Cellular Heterogeneity

Hananeh Aliee, Ferdinand Kapl+2 more|arXiv (Cornell University)|Jul 2, 2023

Cell Image Analysis Techniques被引用数 8

ひとこと要約

論文は、条件付き不変な深層生成モデルを紹介し、ドメイン特有のノイズから不変な生物学的信号を分離することで、多ドメインの単一細胞データの統合と解釈を改善します。

ABSTRACT

This paper presents a novel approach that leverages domain variability to learn representations that are conditionally invariant to unwanted variability or distractors. Our approach identifies both spurious and invariant latent features necessary for achieving accurate reconstruction by placing distinct conditional priors on latent features. The invariant signals are disentangled from noise by enforcing independence which facilitates the construction of an interpretable model with a causal semantic. By exploiting the interplay between data domains and labels, our method simultaneously identifies invariant features and builds invariant predictors. We apply our method to grand biological challenges, such as data integration in single-cell genomics with the aim of capturing biological variations across datasets with many samples, obtained from different conditions or multiple laboratories. Our approach allows for the incorporation of specific biological mechanisms, including gene programs, disease states, or treatment conditions into the data integration process, bridging the gap between the theoretical assumptions and real biological applications. Specifically, the proposed approach helps to disentangle biological signals from data biases that are unrelated to the target task or the causal explanation of interest. Through extensive benchmarking using large-scale human hematopoiesis and human lung cancer data, we validate the superiority of our approach over existing methods and demonstrate that it can empower deeper insights into cellular heterogeneity and the identification of disease cell states.

研究の動機と目的

• 不変な生物学的信号とドメイン特有のノイズを分離する表現学習を、多ドメインの単一細胞データセット全体で動機づける。
• 条件付き識別可能な生成モデルを提案し、偽信号と不変潜在因子の両方を同定する。
• 識別性の保証を提供し、大規模な造血系および肺癌のscRNA-seqデータで検証する。

提案手法

• 識別性を達成する条件付き因子分解事前分布を用いた変分オートエンコーダを使用する。
• 潜在空間を不変成分(Z_I)と偽成分(Z_S)に分割し、安定情報とドメイン変動情報を捉える。
• Z_IとZ_Sの独立性を課すことで再構成を可能としつつ不変特徴を分離する。
• 補助的なサンプル情報(d)と環境(e)を取り入れて依存関係をモデル化し、ディараンザイメントを誘導する。
• Z_Iを用いてラベルYを環境間で性能を保ちながら予測する不変予測子を目指す。
• 識別性とデータ統合のベンチマークとしてNF-iVAEや他の不変学習法と比較する。

Figure 1: Data integration using different methods. Shown are the UMAP representations of single cells colored by samples and cell types (bottom right). inVAE preserves biological variations between donors while mixing similar cells with technical noise (s1d1 and s2d1), whereas other methods either

実験結果

リサーチクエスチョン

• RQ1 多ドメインの単一細胞データでは、潜在表現を不変成分と非不変成分にどのように分割できるか。
• RQ2 条件付き識別可能なVAEは、生物学的信号を技術的・ドメイン駆動ノイズから分離しつつ、環境間で予測性能を維持できるか。
• RQ3 識別性と実用性を可能にする事前分布や仮定は、単一細胞ゲノミクスデータセット全体に適用可能か。

主な発見

• 提案手法は、条件付きVAEフレームワークにおいて不変な潜在変数と偽潜在変数の両方を同定する。
• モデルは単純な変換と潜在変数の置換を除き識別可能である。
• 2つのがんタイプを含む人間の造血系および肺がんのscRNA-seqデータ49サンプルでの評価は、データ統合と細胞状態プロファイリングの改善を示唆する（本文のとおり）。
• 生物学的機構（遺伝子プログラム、疾患状態、治療条件など）をデータ統合プロセスに組み込むことを可能にする。
• 単一細胞データの統合と細胞タイプ注釈のための既存の不変・識別可能な深層生成モデルを上回ることを示す。

Figure 2: The data generating process.